Générer des images en local : Ollama, Stable Diffusion et alternatives

#Ollama et l'image : ce qu'il sait et ne sait pas faire

Commençons par lever la confusion la plus fréquente derrière la requête « ollama image generation ». Ollama est un runtime pour grands modèles de langage : il télécharge et exécute des modèles au format GGUF, expose une API compatible OpenAI sur http://localhost:11434, et gère le chargement/déchargement en mémoire. Son domaine, c'est le texte — et, depuis les modèles multimodaux, la lecture d'images en entrée.

La distinction qui compte est celle entre comprendre une image et créer une image. Ollama fait la première via des modèles de vision comme Qwen VL, Gemma ou Llama Vision : vous envoyez une photo, le modèle la décrit, en fait l'OCR ou répond à des questions dessus. C'est de la génération de texte à partir d'une image. La génération d'image — produire un fichier PNG à partir d'un prompt — repose sur une architecture totalement différente (des modèles de diffusion, pas des transformeurs de langage), qu'Ollama n'exécute pas.

En résumé : gardez Ollama pour le texte et l'analyse d'images, et ajoutez à côté un outil de diffusion pour la création. Les deux cohabitent très bien sur la même machine, et peuvent même partager le GPU tant que vous ne les sollicitez pas en même temps.

#Pourquoi générer ses images en local

Générer en local demande un peu plus d'effort qu'ouvrir Midjourney, mais les raisons de le faire sont concrètes et se cumulent vite dès qu'on dépasse l'usage occasionnel.

Coût nul à l'usage

une fois le matériel et les modèles en place, vous générez autant d'images que vous voulez sans crédit ni abonnement. Aucun quota mensuel, aucune facturation à l'image.

Confidentialité totale

vos prompts et vos images ne quittent jamais la machine. Décisif pour des visuels de produits non annoncés, du contenu client sous NDA ou des données sensibles.

Aucune censure côté serveur

les filtres de contenu des services cloud sont souvent larges et opaques. En local, c'est votre machine, vos règles — dans le cadre légal qui reste le vôtre.

Contrôle et reproductibilité

seed fixe, réglages exacts, modèles et LoRA choisis : vous reproduisez une image au pixel près, ce que les services cloud ne garantissent pas d'une mise à jour à l'autre.

Hors ligne

une fois les modèles téléchargés, tout fonctionne sans connexion. Pratique en déplacement ou sur un poste isolé.

#Les vraies options locales pour générer des images

Puisque Ollama est hors course pour la création, voici les outils sérieux qui font réellement de la génération d'images en local en 2026. Tous reposent sur des modèles de diffusion (famille Stable Diffusion, SDXL, ou les architectures récentes type FLUX), ce qui change selon l'outil, c'est l'interface et le public visé.

AUTOMATIC1111 (Stable Diffusion WebUI)

l'interface web historique, riche et documentée. Onglets txt2img / img2img, extensions à foison, communauté énorme. Un peu vieillissante mais toujours la référence pour apprendre.

ComfyUI

une interface par graphe de nœuds : vous câblez le pipeline (modèle → sampler → VAE → sortie) visuellement. Courbe d'apprentissage plus raide, mais contrôle total et le meilleur support des modèles récents comme FLUX.

Fooocus

pensé pour la simplicité façon Midjourney : un champ de prompt, des presets, et l'outil gère le reste. Idéal pour démarrer sans comprendre le fonctionnement interne de la diffusion.

Draw Things (macOS / iOS)

application native Apple Silicon, gratuite, optimisée Metal et mémoire unifiée. De loin la voie la plus simple sur Mac : tout est intégré, y compris le téléchargement des modèles.

SD.Next

un fork d'AUTOMATIC1111 plus activement maintenu, avec un meilleur support multi-backend (CUDA, ROCm, Intel). Une bonne alternative si vous êtes sur GPU non-NVIDIA.

#VRAM nécessaire selon le modèle de diffusion

La génération d'images est gourmande en VRAM, mais moins linéairement que les LLM : ce qui compte, c'est le modèle de diffusion choisi et la résolution visée. Voici des repères réalistes pour générer confortablement en 2026.

Stable Diffusion 1.5 — 4 Go de VRAM

le modèle le plus léger. Tourne même sur une carte modeste, images natives en 512×512. Daté mais rapide et très permissif côté matériel.

SDXL — 8 à 12 Go de VRAM

le standard qualité/accessibilité. Images natives 1024×1024, bon niveau de détail. Une RTX 3060 12GB suffit largement, une RTX 4070 est confortable.

FLUX (dev / schnell) — 12 à 24 Go de VRAM

la génération récente, qualité photoréaliste et respect du prompt nettement supérieurs. Les versions quantifiées (GGUF, fp8) descendent l'empreinte, mais 16 à 24 Go restent le vrai confort.

Mac Apple Silicon — mémoire unifiée

un M4 Pro 24-48 Go partage sa mémoire entre CPU et GPU : SDXL tourne sans souci, FLUX aussi avec un peu de patience. Plus lent qu'une RTX haut de gamme mais silencieux et sobre.

#Installation la plus simple selon votre OS

Le chemin le plus court diffère selon la machine. Voici l'option la moins pénible pour chaque système, sans chercher l'exhaustivité.

#macOS (Apple Silicon) : Draw Things

Sur Mac, inutile de toucher à Python ou à une ligne de commande. Draw Things est une app native téléchargeable sur le Mac App Store : elle gère l'installation des modèles, l'optimisation Metal et l'interface dans un seul paquet.

1. 01
   1. Installer l'application

   Cherchez « Draw Things » sur le Mac App Store et installez-la. Elle est gratuite.
2. 02
   2. Télécharger un modèle

   Au premier lancement, l'app propose de récupérer un modèle de base (SDXL est un bon départ). Le téléchargement se fait depuis l'interface.
3. 03
   3. Générer

   Tapez un prompt, laissez les réglages par défaut, cliquez sur Generate. La première image sort en quelques dizaines de secondes selon la puce.

#Windows / Linux avec GPU NVIDIA : Fooocus ou ComfyUI

Sur PC avec une carte NVIDIA, Fooocus est le plus rapide à mettre en route. Il télécharge son modèle par défaut au premier lancement et n'expose presque aucun réglage à configurer.

# Prérequis : Python 3.10+ et un GPU NVIDIA avec pilotes récents
git clone https://github.com/lllyasviel/Fooocus.git
cd Fooocus
python -m venv venv
source venv/bin/activate    # Windows : venv\Scripts\activate
pip install -r requirements_versions.txt
python entry_with_update.py

Au lancement, Fooocus télécharge automatiquement un modèle SDXL, puis ouvre une interface web dans le navigateur (par défaut sur http://127.0.0.1:7865). Vous tapez un prompt, vous générez — c'est tout.

Si vous préférez le contrôle par nœuds et les modèles les plus récents, ComfyUI se lance de façon similaire :

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
# Placez vos modèles .safetensors dans models/checkpoints/
python main.py
# Interface : http://127.0.0.1:8188

#Vos premiers résultats en 30 minutes

Une fois l'outil installé, voici la marche à suivre pour obtenir des images correctes rapidement, plutôt que de partir dans les réglages avancés dès le départ.

1. 01
   1. Partez d'un modèle SDXL

   C'est le meilleur compromis qualité / VRAM / vitesse pour débuter. Gardez FLUX pour plus tard, quand vous voudrez plus de réalisme et que vous connaîtrez les limites de votre GPU.
2. 02
   2. Écrivez un prompt descriptif

   Les modèles de diffusion aiment les descriptions concrètes : sujet, style, cadrage, lumière. Par exemple « un renard roux endormi dans une forêt de bouleaux, lumière dorée du matin, photographie, faible profondeur de champ ».
3. 03
   3. Laissez les réglages par défaut

   Steps autour de 25-30, guidance (CFG) autour de 7 pour SDXL. Ne touchez à rien d'autre pour vos premiers essais : les valeurs par défaut de l'outil sont raisonnables.
4. 04
   4. Fixez un seed pour itérer

   Un seed identique + un prompt légèrement modifié permet de voir l'effet d'un mot. C'est la vraie boucle de travail : changer un détail à la fois.
5. 05
   5. Passez en img2img pour affiner

   Reprenez une image générée comme base et régénérez avec un « denoising » partiel pour corriger sans repartir de zéro.

#Qualité attendue face à Midjourney et DALL-E

Soyons directs : sur la qualité brute « en un clic », Midjourney reste devant. Ses images sont esthétiquement flatteuses par défaut, sans effort de réglage. DALL-E, intégré à ChatGPT, excelle sur le respect d'un prompt complexe et le texte dans l'image. C'est le prix de modèles massifs entraînés et réglés par des équipes dédiées, servis depuis le cloud.

Mais l'écart n'est plus celui qu'on imagine. FLUX en local produit des images photoréalistes qui rivalisent avec Midjourney sur beaucoup de sujets, et SDXL bien prompté suffit largement pour la majorité des usages. Surtout, le local gagne sur des axes que le cloud ne peut pas offrir.

Contrôle fin

ControlNet (imposer une pose, une profondeur, des contours), inpainting précis, LoRA spécialisés : le local offre un niveau de pilotage que Midjourney et DALL-E n'exposent pas.

Personnalisation

des milliers de modèles et LoRA communautaires (styles, personnages, esthétiques) se téléchargent librement. Vous adaptez le modèle à votre besoin exact.

Volume et coût

générer mille variantes ne coûte que de l'électricité. En cloud, c'est autant de crédits consommés.

Effort initial

c'est le vrai compromis : Midjourney donne un beau résultat immédiatement, le local demande d'apprendre à prompter et à régler. Le retour sur cet effort est le contrôle et la gratuité à l'usage.

Le bon cadrage : le local ne remplace pas Midjourney pour une image ponctuelle et jolie sans se poser de questions. Il le dépasse dès que vous avez besoin de confidentialité, de volume, de reproductibilité ou d'un contrôle précis — et sa qualité de pointe, avec FLUX, n'a plus rien d'anecdotique.

#Dépannage courant

« CUDA out of memory »

le modèle ou la résolution dépasse votre VRAM. Baissez la résolution, activez le mode « medvram » / « lowvram » de l'outil, ou passez à un modèle plus léger (SDXL → SD 1.5, ou FLUX quantifié).

Images floues ou déformées

montez légèrement le nombre de steps, ajustez le CFG, et surtout renforcez le prompt négatif. Sur SDXL, vérifiez que vous générez bien en 1024×1024 et non en 512.

Génération très lente

confirmez que le GPU est bien utilisé (et pas le CPU par défaut). Sur NVIDIA, vérifiez les pilotes et la version de PyTorch compilée pour CUDA ; l'installeur de Fooocus/ComfyUI s'en charge normalement.

Mains et visages ratés

faiblesse classique des modèles de diffusion. Utilisez un module de restauration de visage, l'inpainting sur la zone concernée, ou un modèle/LoRA connu pour mieux gérer l'anatomie.

#Pour aller plus loin

La génération d'images cohabite naturellement avec le reste d'une stack IA locale. Ces guides du site complètent ce que vous venez de mettre en place :

Analyser des images plutôt que les créer

« LLM multimodal vision en local : analyser des images avec Ollama » couvre l'autre moitié du sujet image — la lecture et l'OCR avec un modèle de vision.

Comprendre la VRAM et le choix du GPU

les repères de mémoire de ce guide s'appuient sur la même logique que « Choisir sa quantification (Q4, Q5, Q8, FP16) », utile pour dimensionner sa carte.

Le reste de la stack texte

« Installer Ollama en 5 minutes » reste la base pour la partie langage, à faire tourner à côté de votre moteur de diffusion sur la même machine.